V tej vadnici so obravnavane pogoste težave s preoblikovanjem matrike v omrežjih politik po meri za učenje z okrepitvijo. Če med usposabljanjem dimenzije akcijskega prostora niso ustrezno upravljane, pride do neusklajenosti, kar je posebna napaka. Takšne težave je mogoče premagati z uporabo tehnik za obravnavanje napak in natančno določitvijo prostora za opazovanje.